論文の概要: Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection
- arxiv url: http://arxiv.org/abs/2010.12035v2
- Date: Wed, 18 Nov 2020 01:09:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 07:08:01.779749
- Title: Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection
- Title(参考訳): 目で車線を見張る:リアルタイム注意誘導車線検出
- Authors: Lucas Tabelini, Rodrigo Berriel, Thiago M. Paix\~ao, Claudine Badue,
Alberto F. De Souza, Thiago Oliveira-Santos
- Abstract要約: LaneATTはアンカーベースのディープレーン検出モデルで、機能プーリングステップにアンカーを使用する。
本研究では,グローバルな情報を集約するアンカーベースアテンション機構を提案する。
このモデルは、文献の中で最も広く使われている3つのデータセットに対して広範囲に評価された。
- 参考スコア(独自算出の注目度): 9.574421369309949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern lane detection methods have achieved remarkable performances in
complex real-world scenarios, but many have issues maintaining real-time
efficiency, which is important for autonomous vehicles. In this work, we
propose LaneATT: an anchor-based deep lane detection model, which, akin to
other generic deep object detectors, uses the anchors for the feature pooling
step. Since lanes follow a regular pattern and are highly correlated, we
hypothesize that in some cases global information may be crucial to infer their
positions, especially in conditions such as occlusion, missing lane markers,
and others. Thus, this work proposes a novel anchor-based attention mechanism
that aggregates global information. The model was evaluated extensively on
three of the most widely used datasets in the literature. The results show that
our method outperforms the current state-of-the-art methods showing both higher
efficacy and efficiency. Moreover, an ablation study is performed along with a
discussion on efficiency trade-off options that are useful in practice.
- Abstract(参考訳): 現代の車線検出手法は、複雑な実世界のシナリオにおいて顕著な性能を達成したが、自動運転車にとって重要なリアルタイム効率の維持に多くの問題がある。
本稿では,他の一般的な深部物体検出器と同様に,機能プーリングステップにアンカーを使用するアンカーベースの深部レーン検出モデルである laneatt を提案する。
レーンは規則的なパターンを踏襲し,高い相関関係にあるため,グローバルな情報は,特に閉塞や線路マーカーの欠如などの条件において,それらの位置を推測することが重要であるという仮説を立てる。
そこで本研究では,グローバル情報を集約する新しいアンカーベースの注意機構を提案する。
このモデルは、文献で最も広く使われている3つのデータセットで広く評価された。
その結果,本手法は高効率・高効率両立を示す最先端手法よりも優れていた。
さらに、実際に有用な効率性トレードオフオプションに関する議論とともに、アブレーション研究を行う。
関連論文リスト
- Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳(メタデータ) (2024-03-10T10:36:32Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳(メタデータ) (2023-07-20T15:21:28Z) - LVLane: Deep Learning for Lane Detection and Classification in
Challenging Conditions [2.5641096293146712]
本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。
本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。
そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
論文 参考訳(メタデータ) (2023-07-13T16:09:53Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-17T00:28:33Z) - Model Guided Road Intersection Classification [2.9248680865344348]
本研究は,rgb画像からの区間間分類を,教師・生徒の訓練パラダイムに基づく結果向上手法とともに,統合型ニューラルネットワークを用いて検討する。
KITTIデータセットと新しいKITTI-360シーケンスの両方において、最適な入力構成を特定し、異なるネットワークパラメータを評価することを目的とした広範な実験活動により、本手法はフレーム単位の最先端手法よりも優れ、提案手法の有効性が証明された。
論文 参考訳(メタデータ) (2021-04-26T09:15:28Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Probabilistic Multi-modal Trajectory Prediction with Lane Attention for
Autonomous Vehicles [10.485790589381704]
軌道予測は自動運転車にとって不可欠である。
レーン表現のための新しいインスタンス認識表現を提案する。
提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2020-07-06T07:57:23Z) - Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios [26.016292792373815]
本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。
このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。
実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
論文 参考訳(メタデータ) (2020-04-02T16:06:48Z) - Generalizable Pedestrian Detection: The Elephant In The Room [82.37430109152383]
既存の最先端の歩行者検出器は、同じデータセット上でトレーニングやテストを行う際には、非常によく機能するが、データセット間の評価では、十分に一般化されていない。
ウェブをクロールすることで収集される多様で高密度なデータセットは、歩行者検出のための事前学習の効率的な情報源であることを示す。
論文 参考訳(メタデータ) (2020-03-19T14:14:52Z) - Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。
54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
論文 参考訳(メタデータ) (2020-01-01T16:48:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。